基于SEER的机器学习预测乳腺癌骨转移:模型开发和验证
Ying Gao1,2, Lei Liu3, Shoujun Wang1,4
1Department of Breast and Thyroid Surgery, Tianjin Key Laboratory of General Surgery in Construction, Tianjin Union Medical Center, The First Affiliated Hospital of Nankai University, Tianjin, China.
Gland surgery
|August 7, 2025
概括
机器学习模型可以预测乳腺癌 (BC) 患者的骨转移,帮助早期风险识别. 虽然有效排除转移,但需要进一步改进以提高病例检测的准确性.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 乳腺癌 (BC) 是女性癌症相关死亡的主要原因.
- 骨转移 (BM) 显著恶化BC预后,但目前的诊断方法在预测方面存在局限性.
- 准确预测BM对于完善治疗策略和改善患者的治疗结果至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测乳腺癌 (BC) 患者的骨转移 (BM).
- 使用ML技术识别BM的关键预测因素.
- 与现有的分期系统相比,评估ML模型的临床实用性.
主要方法:
- 利用了监测,流行病学和最终结果 (SEER) 数据库,分析了24,584名在2010-2015年间诊断的BC患者.
- 开发了六个ML算法,包括随机森林 (RF),多层感知神经网络 (MLPNN),后勤回归 (LR) 和梯度增强机 (GBM).
- 评估模型性能,使用接收器运行特征 (ROC) 曲线分析 (AUC,灵敏度,特异性,NPV) 和SHapley添加式扩展 (SHAP) 进行预测器识别.
主要成果:
- MLPNN模型实现了最高的AUC (0.808),超过了LR和AdaBoost模型.
- 随机森林 (RF) 模型显示了高负预测值 (NPV>97%) ,有效排除了骨转移.
- 通过SHAP分析确定的关键预测因素包括瘤大小,等级,T/N阶段,ER/PR/HER2状态以及其他转移的存在.
结论:
- 机器学习模型在预测乳腺癌患者的骨转移方面表现有前途,可能作为临床决策支持工具.
- 虽然像RF这样的模型在排除转移方面表现出色,但中度敏感性需要进一步开发以改善病例检测.
- 将ML整合到临床实践中可以推进个性化瘤学,并改善骨转移乳腺癌患者的治疗.
